功能概述

這段代碼實現了一個基于TensorFlow和Keras的MNIST手寫數字識別模型。主要功能包括：

1. 加載并預處理MNIST數據集
2. 構建一個簡單的全連接神經網絡模型
3. 訓練模型并評估其性能
4. 使用訓練好的模型進行預測
5. 保存和加載模型

代碼解析

1. 導入必要的庫

import matplotlib
import tensorflow.keras as keras
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from pasta.augment import inline

• 導入TensorFlow和Keras用于構建和訓練神經網絡
• 導入NumPy用于數值計算
• 導入Matplotlib用于數據可視化
• 從pasta.augment導入inline用于在Jupyter Notebook中直接顯示圖像

2. 打印TensorFlow版本

print(tf.__version__)

輸出當前使用的TensorFlow版本，用于環境檢查。

3. 加載MNIST數據集

path = '../doc/mnist.npz'
with np.load(path) as data:x_train, y_train = data['x_train'], data['y_train']x_test, y_test = data['x_test'], data['y_test']
print(x_train[0])

• 從本地文件加載MNIST數據集
• 數據集包含訓練集(x_train, y_train)和測試集(x_test, y_test)
• 打印第一個訓練樣本的像素值

4. 數據可視化

%matplotlib inline
plt.imshow(x_train[0], cmap=plt.cm.binary)
plt.show()

• 使用Matplotlib顯示第一個訓練樣本的圖像
• cmap=plt.cm.binary設置為黑白顯示

5. 打印第一個訓練樣本的標簽

print(y_train[0])

輸出第一個訓練樣本對應的數字標簽。

6. 數據歸一化

x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)
print(x_train[0])

• 對圖像數據進行歸一化處理，將像素值縮放到0-1范圍
• 打印歸一化后的第一個訓練樣本

7. 構建神經網絡模型

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))

• 創建一個Sequential模型
• 添加Flatten層將28x28的圖像展平為784維向量
• 添加兩個全連接層(Dense)，每層128個神經元，使用ReLU激活函數
• 添加輸出層，10個神經元對應10個數字類別，使用Softmax激活函數

8. 編譯模型

model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])

• 使用Adam優化器
• 使用稀疏分類交叉熵作為損失函數
• 使用準確率作為評估指標

9. 訓練模型

model.fit(x_train, y_train, epochs=3)

• 訓練模型3個epoch
• 使用訓練數據進行擬合

10. 評估模型

val_loss, val_acc = model.evaluate(x_test, y_test)
print(val_loss)
print(val_acc)

• 在測試集上評估模型性能
• 輸出測試損失和準確率

11. 使用模型進行預測

predictions = model.predict(x_test)
print(predictions)
print(np.argmax(predictions[0]))
plt.imshow(x_test[0], cmap=plt.cm.binary)
plt.show()

• 對測試集進行預測
• 打印預測結果(概率分布)
• 使用argmax獲取第一個測試樣本的預測標簽
• 顯示第一個測試樣本的圖像

12. 保存和加載模型

def softmax_v2(x):return tf.keras.activations.softmax(x)new_model = tf.keras.models.load_model('epic_num_reader.model.keras',custom_objects={'softmax_v2': softmax_v2}
)predictions = new_model.predict(x_test)
print(np.argmax(predictions[0]))

• 定義一個softmax_v2函數用于兼容性
• 加載之前保存的模型
• 使用加載的模型進行預測

總結

這段代碼實現了一個簡單但有效的MNIST手寫數字分類器。主要特點包括：

1. 使用全連接神經網絡結構
2. 實現了數據預處理和歸一化
3. 達到了較高的測試準確率(約97%)
4. 包含了模型保存和加載功能
5. 提供了可視化工具檢查數據和預測結果

demo001.ipynb

# 導入 keras 模塊
import matplotlib
import tensorflow.keras as keras
# 導入 tensorflow 模塊
import tensorflow as tf
# 導入 pasta 模塊中的 augment 和 inline 子模塊
from pasta.augment import inline# 打印 TensorFlow 的版本
print(tf.__version__)# 指定本地文件路徑
path = '../doc/mnist.npz'
# 導入 numpy 模塊
import numpy as np
# 從本地加載 MNIST 數據集
with np.load(path) as data:x_train, y_train = data['x_train'], data['y_train']x_test, y_test = data['x_test'], data['y_test']
# 打印訓練數據集的第一個樣本
print(x_train[0])# 導入 matplotlib.pyplot 模塊
import matplotlib.pyplot as plt
# 使用 inline 后，圖形將直接顯示在 Jupyter Notebook 中
# %matplotlib inline
# 可視化訓練數據集的第一個樣本
plt.imshow(x_train[0], cmap=plt.cm.binary)
plt.show()# 打印訓練標簽的第一個樣本
print(y_train[0])# 對訓練和測試數據進行歸一化處理
x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)# 打印歸一化后的訓練數據集的第一個樣本
print(x_train[0])# 可視化歸一化后的訓練數據集的第一個樣本
plt.imshow(x_train[0], cmap=plt.cm.binary)
plt.show()# 創建一個 Sequential 模型
model = tf.keras.models.Sequential()
# 添加一個 Flatten 層，用于將輸入數據展平
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
# 添加一個 Dense 層，包含 128 個神經元，使用 ReLU 激活函數
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
# 再添加一個 Dense 層，配置同上
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
# 添加一個 Dense 層，包含 10 個神經元，使用 Softmax 激活函數
model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))
# 編譯模型，指定優化器、損失函數和評估指標
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
# 訓練模型
model.fit(x_train, y_train, epochs=3)
# 評估模型
val_loss, val_acc = model.evaluate(x_test, y_test)
print(val_loss)
print(val_acc)# 使用模型進行預測
predictions = model.predict(x_test)
print(predictions)# 導入 numpy 模塊
import numpy as np# 打印第一個測試樣本的預測標簽
print(np.argmax(predictions[0]))# 可視化第一個測試樣本
plt.imshow(x_test[0], cmap=plt.cm.binary)
plt.show()# 保存模型
def softmax_v2(x):# 將 softmax_v2 映射到標準 softmaxreturn tf.keras.activations.softmax(x)# 加載之前保存的模型
new_model = tf.keras.models.load_model('epic_num_reader.model.keras',custom_objects={'softmax_v2': softmax_v2}
)# 使用加載的模型進行預測
predictions = new_model.predict(x_test)
# 打印第一個測試樣本的預測標簽
print(np.argmax(predictions[0]))